基于改进人工免疫算法的TDOA定位估计

采用最大似然估计方法解决TDOA定位估计问题可以避免已有算法的缺点,适用性更强,但必须解决由此产生的非线性优化问题。人工免疫算法是一种模拟自然免疫系统功能、收敛性能较好的新兴智能方法,针对TDOA定位估计问题对人工免疫算法进行了改进,采用浮点数编码,避免了二进制编码所必须的编解码过程;并采用轮盘赌策略克隆亲和度较高的抗体,并控制抗体以不同变异率变异,提高了收敛速度和性能,改进了免疫算子。针对TDOA估计问题,联合使用Chan算法和人工免疫算法,可以取得较好的定位精度,提高收敛速度。仿真结果表明,在保证抗体数量的情况下,该算法性能稳定,并能以较快的速度收敛到全局最优解,相对于Chan算法精度更高。     

基于人工免疫网络的动态聚类算法

聚类分析的两个基本任务是分析数据集中簇的数量以及这些簇的位置.大多数的聚类方法通常只关注后一个问题.为了在聚类数不确定的情况下实现聚类分析,本文提出了一种新的结合人工免疫网络和遗传算法的动态聚类算法—DCBIG.新算法主要包含两个阶段:先使用人工免疫网络算法获得聚类可行解,然后使用遗传算法依据聚类可行解实现动态聚类.本文对获得聚类可行解的条件和概率进行了分析.仿真实验结果表明与现有方法相比,新方法具有更高的收敛概率和收敛速度.     

一种新型的自适应混沌遗传算法

针对标准二进制编码遗传算法的缺陷,提出一种基于实数编码技术的新型自适应混沌遗传算法用于求解优化问题.该算法利用信息熵理论产生较好的初始群体分布,并依据概率分布函数构造杂交算子,同时结合混沌动力学特性和人工神经网络理论,设计了一种自适应混沌变异算子,使算法能有效维持群体多样性,防止和克服进化过程中的"早熟"现象,算法操作简单、易于实现.最后通过对几个经典测试函数的数值实验,验证了该算法在提高解的精度和加快收敛速度方面都有显著改善,从而为解决函数优化问题提供了一种行之有效的新方法.     

精英类克隆选择算法平均收敛速度估计

克隆选择算法收敛速度估计是算法研究的一个难问题,目前还是处于初始的研究阶段。本文对一大类精英保持策略克隆选择算法的收敛速度问题进行了研究。首先利用算法种群中最佳个体的定向转移概率导出最佳个体的转移概率矩阵,针对实际应用中由于算法种群规模过大而导致该矩阵求取较困难的问题,将最佳个体的转移概率矩阵构造成满足一定条件的矩阵范数,从而提出一种更为简单有效的算法平均收敛速度估计的新方法。对不同的精英保持策略克隆选择算法进行了收敛速度估计仿真实验,其结果表明了该估计方法的有效性。     

利用改进PAST算法的直扩信号PN码盲估计

针对直接序列扩频信号的伪随机(PN)码盲估计问题,提出了一种利用改进的投影逼近子空间(PAST)算法的PN码盲估计方法。该方法利用遗忘因子与收敛速度和精度的相关性构造基于跟踪误差的自适应遗忘因子,实现了收敛精度和收敛速度的同时优化;根据预期最低误码率约束估计精度变化范围确定迭代收敛的门限值,实现了迭代收敛的精确自动判读,消除了算法依赖人工判断收敛的固有限制,提高了算法的实际应用能力。仿真结果进一步验证了算法理论推导的正确性以及实际应用的可行性。     

免疫克隆SAR图像分割算法

由于存在相干斑噪声的影响,使得常规的图像分割技术应用于SAR图像时,效果往往较差。该文提出一种新人工免疫系统SAR图像分割算法,算法首先提取每幅图像的纹理特征,并对其进行实数编码,然后通过借鉴生物学免疫系统的抗体克隆选择机理,构造适合于图像分割的克隆算子,以较快的收敛速度优化目标函数。实验结果表明,新算法是一种有效的SAR 图像区域分割方法。     

高阶模糊函数的收敛性分析

本文讨论用于多项式相位信号参数估计的高阶模糊函数的收敛性质.对于复高斯白噪声污染的时变振幅多项式相位信号,证明了其高阶模糊函数样本估计和相位多项式最高阶系数估计的强收敛性质.特别地,对于常数振幅情形,得到了多项式系数估计的强收敛速度.模拟实验证实了所得到的理论结果.     

一种用于线性阵列综合的改进遗传算法

为了提高阵列综合收敛速度,实现目标函数局部最优,分析了现有的遗传算法存在的不足,提出了一种应用于线性阵列综合的改进遗传算法。该算法根据现有算法对实数编码搜索能力不强,容易陷于局部最优解的缺陷,提出了能够增强个体寻优范围的搜索方案,以跳出局部最优解,是解决问题的有效途径。仿真结果表明,改进后的算法能够使目标函数迅速跳出局部最优解,收敛速度至少增加了2¹0倍。     

基于双重改进的鲸鱼优化算法

传统的鲸鱼优化算法(WOA)容易陷入局部最优以及收敛速度慢,针对此问题进行研究,提出了一种改进的鲸鱼优化算法,改进算法首先用非线性收敛因子替换原本使用的收敛因子,改进后的非线性收敛因子可以有效利用在算法中以弥补该算法在计算过程中全局探索与局部开发能力中的缺陷,并且可以加快算法收敛速度;然后在鲸鱼位置更新公式中加入了自适应权重,该策略可以改善算法的寻优精度以及进一步提高收敛速度;最后,在固定参数和不同维度的8个基准测试函数上进行了实验,结果表明,改进后的算法在寻找最优位置的精度和收敛速度对比于传统的鲸鱼算法和其他智能优化算法均有着显著的提高,具有更好的优化效果.     

自适应策略在实数编码遗传算法中的应用研究

为解决简单遗传算法收敛速度慢以及局部收敛问题,在研究自适应策略的基础上,提出了一种基于实数编码,综合精英保留策略、2/4竞争选择策略和自适应策略的改进遗传算法.该改进算法将自适应策略及其在遗传算法中的应用方法做了改进,仿真实验证明,该算法可以提高收敛速度,有效实现全局最优化.     

基于ADSABC算法优化WNN的语音识别研究

小波神经网络(WNN)具有高度的非线性映射功能及强大的自适应能力,但是WNN算法存在易陷入局部极小值,收敛速度慢。而人工蜂群算法(ABC)具有很强的全局搜索能力及较快的收敛速度。两者优势互补,已结合应用于语音识别中。本文对ABC算法做出改进,在采蜜蜂和观察蜂阶段各提出一个新的解搜索方程,采取自适应的双搜索方式(Adaptive Double Search)求解,从而提高算法的收敛速度和收敛精度。并将其和WNN算法进行结合,组成一种训练神经网络的新算法ADSABC-WNN,该算法既能克服WNN算法的缺点,又能保存双方的优点。实验结果表明,与传统ABC算法优化小波神经网络相比,识别率提高均有所提高,其中在词汇量为50时识别率提高了4.51%。将实验结果与其他方法优化的小波神经网络模型进行比较,在噪声环境下,该混合模型可以有效地减少识别时间,而且可以明显提高网络的训练速度和语音识别的识别率。     

信号排列组合的子空间快速盲信道估计算法

针对传统子空间算法进行MIMO-OFDM信道估计时,存在收敛速度慢、鲁棒性差的问题,提出一种基于收发信号排列组合的改进子空间盲信道估计算法。该算法通过对接收端信号进行有选择地取舍,并利用取舍后接收端数据块的无关联性,对信道矩阵进行类Toeplitz扩展,然后对收发两端信号进行相应的排列组合,增大发送数据块矩阵的秩,从而实现算法的快速收敛。理论分析与仿真结果表明,与传统的子空间算法相比,本文算法在复杂度略有提高的条件下能够实现快速收敛。      

一种强鲁棒性的盲分离混合矩阵估计方法

针对传统盲分离混合矩阵估计鲁棒性差、易受初始值影响、精度不高等问题,该文将人工蜂群算法(ABC)用到盲分离中,结合稀疏信号混合矩阵估计的特点,提出一种基于不同搜索策略和编码方式的两阶段蜂群算法的混合矩阵估计方法,通过新的蜜蜂搜索行为和子蜂群之间的协同作业,明显加快了算法的收敛速度,提高了混合矩阵的估计精度。仿真实验表明,该方法在源个数较多、弱稀疏、低信噪比的情况下仍然可以很好地估计混合矩阵。相比已有方法,该方法不仅具有很强的鲁棒性和很高的估计精度,而且不需要太大的计算量。     

New Particle Swarm Optimisation Algorithm with H′enon Chaotic Map Structure

A new Particle swarm optimisation (PSO) algorithm based on the H′enon chaotic map (hereafter HCPSO algorithm) is presented in this paper to deal with the premature convergence problem of the traditional PSO algorithm. The HCPSO algorithm changes the structure of the traditional PSO algorithm and deviates from the structures of conventional hybrid algorithms that merely introduce chaotic searching into PSO. Based on the con-vergence condition of PSO, the HCPSO algorithm can im-prove solution precision and increase the convergence rate by combing using the targeting technique of chaotic map-ping. For validation, fourteen benchmark functions were used to compare the proposed algorithm with six other hy-brid PSO algorithms. The experimental results indicated that the HCPSO algorithm is superior to the other algo-rithms in terms of convergence speed and solution accu-racy.     

基于非线性核空间映射与人工免疫网络的高光谱遥感图像分类

提出了一种基于非线性核空间映射人工免疫网络的高光谱遥感图像分类算法.根据生物免疫网络基本原理构建了人工免疫网络模型,利用非线性核函数将高光谱训练样本映射到高维空间,完善了人工免疫网络中目标样本核空间相似性分选方法,降低了人工免疫网络识别样本所需的抗体数量,提升了算法的分类精度和运算效率.为了验证算法的有效性,利用两组高光谱遥感数据将多种高光谱分类方法进行了对比实验.实验表明该算法分类精度和算法运算时间上都有较大改善,是一种分类精度更高、运算速度更快的改进型基于人工免疫网络的高光谱遥感图像分类新方法.     

信道估计误差下的深度人工噪声预编码生成方法

基于人工噪声的物理层安全通信系统，传统人工噪声通常采用推导得到的闭式表达式或最优化方法数值求解生成，要求输入准确的传输信道矩阵信息，才能保证通信系统的保密性。但实际环境中存在的信道估计误差会导致人工噪声预编码误差，从而降低通信系统保密容量。为此提出一种基于深度学习的人工噪声预编码生成方法，通过将有误差的信道估计信息作为输入，与无估计误差情况下传统数值求解得到的预编码矩阵进行拟合，训练得到可适应信道估计误差的深度神经网络。仿真表明，该方法在信道估计有误差时的保密性能与鲁棒性优于传统人工噪声生成系统；相比于其他深度学习方法在物理层安全的应用，所提方法具有更快的收敛速度。     

OFDM系统中抗非线性失真的迭代信道估计算法

针对OFDM系统中信号限幅滤波造成的信道估计性能下降,提出了一种基于梳状导频的迭代估计算法。该算法迭代估计信号中的非线性噪声,并据此补偿信号的非线性失真,提高信道再估计的性能。推导出了该算法在限幅预畸变系统中所能达到的理论均方误差下限,同时给出了初始信道估计的理论均方误差。仿真表明,该算法克服了由限幅滤波造成的性能瓶颈,且收敛速度快。与文献迭代信道估计算法相比,具有更强的抵抗峰均比抑制的能力。     

基于代价参考粒子滤波器组的检测前跟踪算法

基于粒子滤波的检测前跟踪方法是检测和估计非线性调频信号的有效方法之一。但此类方法运算量大,难以并行执行。此外,由于粒子滤波算法收敛较慢,基于粒子滤波的检测前跟踪方法的检测和状态估计能力有待提高。针对上述问题,该文首先提出一种代价参考粒子滤波器组。该滤波器组收敛快速,具有完全的并行结构,可快速准确地估计非线性调频信号的瞬时频率。其次,提出基于代价参考滤波器组的检测前跟踪算法,可在给定虚警率下,在各个时刻检测目标和估计目标状态。两类非线性调频信号检测和估计的仿真结果表明,基于代价参考粒子滤波器组的检测前跟踪算法的检测性能、估计性能和运行速率均优于类似的方法,如基于粒子滤波的检测前跟踪方法,基于Rutten粒子滤波的检测前跟踪方法等。     

基于变步长搜索黄金分割优化的自聚焦算法

为了获得高分辨的合成孔径雷达(SAR)图像,需采用自聚焦算法对SAR图像进行处理。文中介绍了利用图像对比度最优准则进行自聚焦的原理方法,将对比度最优自聚焦过程等效为最优一维搜索模型。同时,介绍了变步长搜索黄金分割算法的原理,首先通过变步长搜索确定搜索区间,然后采用黄金分割法进行迭代收敛,当满足终止条件时,停止迭代并得到最终的多普勒调频率最优估计值。与现有的算法相比,基于变步长搜索黄金分割优化的自聚焦算法具有收敛速度快、鲁棒性强的优点。实测数据处理结果验证了算法的有效性。     

一种新的基于值函数迁移的快速Sarsa算法

知识迁移是当前机器学习领域的一个新的研究热点.其基本思想是通过将经验知识从历史任务到目标任务的迁移,达到提高算法收敛速度和收敛精度的目的.针对当前强化学习领域中经典算法收敛速度慢的问题,提出在学习过程中通过迁移值函数信息,减少算法收敛所需要的样本数量,加快算法的收敛速度.基于强化学习中经典的在策略Sarsa算法的学习框架,结合值函数迁移方法,优化算法初始值函数的设置,提出一种新的基于值函数迁移的快速Sarsa算法--VFT-Sarsa.该算法在执行前期,通过引入自模拟度量方法,在状态空间以及动作空间一致的情况下,对目标任务中的状态与历史任务中的状态之间的距离进行度量,对其中相似并满足一定条件的状态进行值函数迁移,而后再通过学习算法进行学习.将VTF-Sarsa算法用于Random Walk问题,并与经典的Sarsa算法、Q学习算法以及具有较好收敛速度的QV算法进行比较,实验结果表明,该算法在保证收敛精度的基础上,具有更快的收敛速度.